ml-ferret

Ferret 是一个端到端多模态大语言模型（MLLM），专为任意形式的指代理解与空间定位任务设计。其核心采用混合区域表征与空间感知视觉采样机制，支持细粒度、开放词汇的图像中目标指代与像素级接地（grounding）；配套构建了百万级分层指代-接地指令数据集 GRIT 和综合评测基准 Ferret-Bench。适用于需要图文联合理解、交互式视觉定位、UI界面元素识别与多步视觉推理的研究与应用场景，如智能标注、人机协作视觉交互、文档/界面理解等。